Data Mining in Datenbanken
Werbung
Data Mining in Datenbanken Alexander Hinneburg [email protected] www.informatik.uni-halle.de/~hinneburg Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 0 Vorlesungsplan • • • • • • • • • • • • • • • 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag 7.11. Einfache Regeln, Naïve Bayes 14.11. Entscheidungsbäume, und Regeln 21.11. Assoziationsregeln 28.11. Lineare Modelle 5.12. Instanzbasiertes Lernen, Clustering 12.12. Evaluation I 19.12. Evaluation II 9.1. Entscheidungsbäume, Klassifikationsregeln 16.1. Lineare Modelle, Numerische Vorhersage 23.1. Clustering 30.1. Attribut-Selektion, Diskretisierung, Transformationen 6.2. Kombination von Modellen, Lernen von nicht-klassifizierten Beispielen Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 1 Veranstaltungsmodalitäten • Vorlesung – Mischung aus Folien und Tafel – Ian Witten, Eibe Frank: Data Mining, 2. Aufl., Morgan Kaufmann, 2005 • Übung – Theorieaufgaben – Praktische Aufgaben, WEKA Data Mining Suite (http://www.cs.waikato.ac.nz/~ml/weka/), Oracle – Präsentation der Ergebnisse, 3-5 Folien • Schein – 50% der Übungspunkte – Klausur Ende des Semesters – Wirtschaftsinformatiker: 2+2 Vorlesung, 6 Leistungspunkte • Blockseminar – 2-3 Tage, Anfang April 2006 (vor Vorlesungsbeginn) Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 2 Einleitung • Daten versus Wissen • Data Mining und Machine Learning • Strukturierte Beschreibungen – Regeln: Klassifikation und Assoziation – Entscheidungsbäume • Daten – Wetter, Kontaktlinsen, CPU Performanz, Gewerkschaftsverhandlungen, Sojabohnen Klassifikation • Echte Anwendungen – Kreditanwendungen, Satellitenaufnahmen, Lastvorhersage, Maschinenfehlerdiagnose, Warenkorbanalyse • Verallgemeinerung als Suche • Data Mining und Ethik Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 3 Daten versus Wissen • Gesellschaft erzeugt riesige Datenmengen – Quellen: Wirtschaft, Wissenschaft, Medizin, GeoAnwendungen, Sport, Umwelt, … • Potentiell wertvolle Ressource • Rohdaten sind nutzlos: Methoden um Informationen automatisch daraus zu gewinnen – Daten: gespeicherte Fakten – Informationen: in den Daten inhärente Muster Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 4 Data Mining Aufgabe • Extrahiere – implizite, – vorher unbekannte, – potentiell nützliche Informationen aus Daten • Bedarf: Programme, die Muster und Regelmäßigkeiten in Daten detektieren • Interessante Muster ⇒ gute Vorhersagen – Problem 1: meisten Muster nicht interessant – Problem 2: Muster sind unscharf, unecht – Problem 3: Daten fehlen, sind fehlerbehaftet Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 5 Data Mining Methoden • Algorithmen zum Gewinnen (Lernen) struktureller Beschreibungen aus Beispielen • strukturelle Beschreibungen repräsentieren Muster explizit – Vorhersage in neuen Situationen möglich – Zum Verstehen und Erklären wie Vorhersage entstand (meist wichtiger) • Methoden stammen aus Künstlicher Intelligenz, Statistik, Datenbanken, Visualisierung, Theoretische Informatik Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 6 Kontaktlinsen Daten Age Young Young Young Young Young Young Young Young Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Wintersemester 2005/06 Spectacle prescription Myope Myope Myope Myope Hypermetrope Hypermetrope Hypermetrope Hypermetrope Myope Myope Myope Myope Hypermetrope Hypermetrope Hypermetrope Hypermetrope Myope Myope Myope Myope Hypermetrope Hypermetrope Hypermetrope Hypermetrope Astigmatism No No Yes Yes No No Yes Yes No No Yes Yes No No Yes Yes No No Yes Yes No No Yes Yes Tear production rate Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Recommended lenses None Soft None Hard None Soft None hard None Soft None Hard None Soft None None None None None Hard None Soft None None Seite 7 Können Maschinen wirklich lernen? • Definitionen für “lernen” aus dem Lexikon: Wissenserwerb durch Studium, Erfahrung oder Belehrung Kenntnis erlangen durch sich informieren oder durch Beobachtung Auswendig lernen Informiert sein, etwas ermitteln, Instruktionen erhalten, • Operationale Definition: Etwas lernt, wenn es sein Verhalten oder Eigenschaften so ändert, dass es in Zukunft besser funktioniert. • Impliziert Lernen eine Intention? Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 8 Das Wetter Problem • Umstände um Tennis zu spielen Outlook Temperature Humidity Windy Play Sunny Hot High False No Sunny Hot High True No Overcast Hot High False Yes Rainy Mild Normal False Yes Rainy Cool Normal True No … … … … … If If If If If outlook = sunny and humidity = high then play = no outlook = rainy and windy = true then play = no outlook = overcast then play = yes humidity = normal then play = yes none of the above then play = yes Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 9 Wetterdaten mit gemischten Attributen • Einige Attribute haben nummerische Werte Outlook Temperature Humidity Windy Play Sunny 85 85 False No Sunny 80 90 True No Overcast 83 86 False Yes Rainy 75 80 False Yes … … … … … If If If If If outlook = sunny and humidity > 83 then play = no outlook = rainy and windy = true then play = no outlook = overcast then play = yes humidity < 85 then play = yes none of the above then play = yes Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 10 Ross Quinlan • Machine learning Forscher seit 1970 • University of Sydney, Australia 1986 “Induction of decision trees” ML Journal 1993 C4.5: Programs for machine learning. Morgan Kaufmann 199? Started Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 11 Klassifikations & Assoziationsregeln • Klassifikationsregel: Vorhersage für den Wert eines gegebenen Attributes If outlook = sunny and humidity = high then play = no • Assoziationsregel: Vorhersage des Wertes eines beliebigen Attributes o. Kombination If temperature = cool then humidity = normal If humidity = normal and windy = false then play = yes If outlook = sunny and play = no then humidity = high If windy = false and play = no then outlook = sunny and humidity = high Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 12 Wetterdaten (komplett) • • • • • • • • • • • • • • sunny sunny overcast rainy rainy rainy overcast sunny sunny rainy sunny overcast overcast rainy hot hot hot mild cool cool cool mild cool mild mild mild hot mild Wintersemester 2005/06 high high high high normal normal normal high normal normal normal high normal high FALSE TRUE FALSE FALSE FALSE TRUE TRUE FALSE FALSE FALSE TRUE TRUE FALSE TRUE no no yes yes yes no yes no yes yes yes yes yes no Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 13 Kontaktlinsen Daten Age Young Young Young Young Young Young Young Young Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Pre-presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Presbyopic Wintersemester 2005/06 Spectacle prescription Myope Myope Myope Myope Hypermetrope Hypermetrope Hypermetrope Hypermetrope Myope Myope Myope Myope Hypermetrope Hypermetrope Hypermetrope Hypermetrope Myope Myope Myope Myope Hypermetrope Hypermetrope Hypermetrope Hypermetrope Astigmatism No No Yes Yes No No Yes Yes No No Yes Yes No No Yes Yes No No Yes Yes No No Yes Yes Tear production rate Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Reduced Normal Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Recommended lenses None Soft None Hard None Soft None hard None Soft None Hard None Soft None None None None None Hard None Soft None None Seite 14 Komplete und korrekte Regelmenge If tear production rate = reduced then recommendation = none If age = young and astigmatic = no and tear production rate = normal then recommendation = soft If age = pre-presbyopic and astigmatic = no and tear production rate = normal then recommendation = soft If age = presbyopic and spectacle prescription = myope and astigmatic = no then recommendation = none If spectacle prescription = hypermetrope and astigmatic = no and tear production rate = normal then recommendation = soft If spectacle prescription = myope and astigmatic = yes and tear production rate = normal then recommendation = hard If age young and astigmatic = yes and tear production rate = normal then recommendation = hard If age = pre-presbyopic and spectacle prescription = hypermetrope and astigmatic = yes then recommendation = none If age = presbyopic and spectacle prescription = hypermetrope and astigmatic = yes then recommendation = none Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 15 Entscheidungsbaum für dieses Problem Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 16 Klassifizierung von Iris-Blumen Sepal length Sepal width Petal length Petal width Type 1 5.1 3.5 1.4 0.2 Iris setosa 2 4.9 3.0 1.4 0.2 Iris setosa 51 7.0 3.2 4.7 1.4 Iris versicolor 52 6.4 3.2 4.5 1.5 Iris versicolor 101 6.3 3.3 6.0 2.5 Iris virginica 102 5.8 2.7 5.1 1.9 Iris virginica … … … If petal length < 2.45 then Iris setosa If sepal width < 2.10 then Iris versicolor ... Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 17 Vorhersage CPU Performanz • Beispiel: 209 verschiedene Computer Konfig. Cycle time (ns) Main memory (Kb) Cache (Kb) Channels Performanc e MYCT MMIN MMAX CACH CHMIN CHMAX PRP 1 125 256 6000 256 16 128 198 2 29 8000 32000 32 8 32 269 208 480 512 8000 32 0 0 67 209 480 1000 4000 0 0 0 45 … • Lineare Regression Funktion PRP = -55.9 + 0.0489 MYCT + 0.0153 MMIN + 0.0056 MMAX + 0.6410 CACH - 0.2700 CHMIN + 1.480 CHMAX Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 18 Gewerkschaftsverhandlungen Attribute Duration Wage increase first year Wage increase second year Wage increase third year Cost of living adjustment Working hours per week Pension Standby pay Shift-work supplement Education allowance Statutory holidays Vacation Long-term disability assistance Dental plan contribution Bereavement assistance Health plan contribution Acceptability of contract Wintersemester 2005/06 Type (Number of years) Percentage Percentage Percentage {none,tcf,tc} (Number of hours) {none,ret-allw, empl-cntr} Percentage Percentage {yes,no} (Number of days) {below-avg,avg,gen} {yes,no} {none,half,full} {yes,no} {none,half,full} {good,bad} 1 1 2% ? ? none 28 none ? ? yes 11 avg no none no none bad Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg 2 2 4% 5% ? tcf 35 ? 13% 5% ? 15 gen ? ? ? ? good 3 3 4.3% 4.4% ? ? 38 ? ? 4% ? 12 gen ? full ? full good … 40 2 4.5 4.0 ? none 40 ? ? 4 ? 12 avg yes full yes half good Seite 19 Entscheidungsbäume für Gewerkschaftsdaten Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 20 Sojabohnen Klassifikation Attribute Environment Time of occurrence Precipitation … Seed Condition Mold growth … Fruit Condition of fruit pods Fruit spots Leaves Condition Leaf spot size … Stem Condition Stem lodging … Roots Condition Diagnosis Wintersemester 2005/06 Number of values 7 3 Sample value July Above normal 2 2 Normal Absent 4 Normal 5 2 3 ? Abnormal ? 2 2 Abnormal Yes 3 19 Normal Diaporthe stem canker Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 21 Bedeutung von Hintergrundwissen If leaf condition is normal and stem condition is abnormal and stem cankers is below soil line and canker lesion color is brown then diagnosis is rhizoctonia root rot If leaf malformation is absent and stem condition is abnormal and stem cankers is below soil line and canker lesion color is brown then diagnosis is rhizoctonia root rot Aber hier, “leaf condition is normal” impliziert “leaf malformation is absent”! Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 22 Echte Anwendungen • Das Ergebnis des Data Mining —oder die DM Methode selbst— wird in praktischen Anwendungen eingesetzt – – – – – – – – Bearbeiten von Kreditanträgen Durchsuchen von Satellitenbilden nach Ölteppichen Stromverbrauchvorhersage Diagnose von Maschinenfehlern Marketing und Verkauf Automatische Klassifikation von Himmelsobjekten Automatische Ergänzung von Formularen Text Retrieval und Mining Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 23 Kreditanträge (American Express) • Gegeben: Fragebogen mit finanziellen und persönliche Informationen • Frage: soll der Antrag bewilligt werden? • Einfache statist. Methode für 90% der Fälle • Grenzfälle an Sachbearbeiter weitergereicht • Aber: 50% der akzeptierten Grenzfälle konnten nicht zurückzahlen! • Lösung: alle Grenzfälle zurückweisen? – Nein! Grenzfälle sind die aktivsten Kunden Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 24 Data Mining Einstieg • • 1000 Trainingsbeispiele von Grenzfällen 20 Attribute: – – – – – • Gelernte Regeln: korrekt in 70% der Fälle – • Alter Jahre beim derzeitigen Arbeitgeber Jahre bei derzeitiger Adresse Jahre bei der Bank andere Kredit Karten besessen ,… Sachbearbeiter nur 50% Regeln konnten genutzt werden, um die Entscheidung dem Kunden zu erklären Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 25 Satellitenbilder • • • • • Gegeben: Radar Satellitenbilder von Küstengewässern Problem: finde Ölteppiche in den Bildern Ölteppiche tauchen als dunkle Region mit sich ändernder Größe und Form auf Schwierigkeiten: ähnliche dunkle Regionen können durch Wetterphenomene verursacht werden (z.B. Höhenwinde) Teure Bearbeitung erfordert spezialisiertes Personal Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 26 Data Mining Einstieg • • Extrahiere dunkle Regionen aus normalisierten Bildern Attribute: – – – – – – • Größe der Region Form und Fläche Intensität Schärfe und Zerklüftung der Grenzen Nähe zu anderen Regionen Infos über Hintergrund Bedingungen: – – – Wenig Trainingsbeispiele—Ölteppiche sind selten! Ungleich verteilte Daten: meisten dunklen Regionen sind keine Ölteppiche Anforderung: einstellbare Rate der Fehlalarme Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 27 Stromverbrauchsvorhersage • • • • • Stromanbieter müssen den Verbrauch vorhersagen und bestellen Vorhersage von Min/Max Last für jede Stunde ⇒ signifikante Einsparungen Gegeben: manuell konstruiertes Lastmodell mit Annahmen über “normale” klimatische Bedingungen Problem: anpassen der Wetterbedingungen Statisches Modell besteht aus: – – – Basislast des Jahres periodische Lastveränderungen übers Jahr Effekt der Ferien Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 28 Data Mining Einstieg • • Vorhersage korrigiert mittels der “ähnlichsten” Tage Attribute: – – – – – • • Temperatur Luftfeutigkeit Windgeschwindigkeit Wolkenbedeckung plus Unterschied zwischen aktueller Last und vorhergesagter Last Durchschnittsunterschied der drei “ähnlichsten” Tage zum Modell hinzugefügt Lineare Regressionskoeffizienten bilden Attributgewichte in der Ähnlichkeitsfunktion Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 29 Diagnose von Maschinenfehlern • Diagnose: klassische Domäne von Expertensystemen • Gegeben: Fourier Analyse von Vibrationen gemessen an verschiedenen Haltepunkten • Frage: welcher Fehler ist gegeben? • Preventive Wartung von elektromechanischen Motoren und Generatoren • Information ist sehr verrauscht • Bisher: Diagnose durch Expertenregeln Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 30 Data Mining Einstieg • Verfügbar: 600 Fehler mit Expertendiagnose • ~300 nichtbefriedigend, Rest genutzt zum Trainieren • Attribute erweitert durch Zwischenkonzepte, die kausales Hintergrundwissen enthalten • Experte nicht zufrieden mit initialen Regeln, weil sie sich nicht in Beziehung zum Hintergrundwissen setzen ließen • Weiteres Hintergrundwissen ergab komplexere Regeln, die besser waren • Gelernte Regeln waren besser als Expertenregeln Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 31 Marketing und Verkauf I • Firmen speichern detailierte Daten über Verkauf und Marketing • Anwendungen: – Kunden Loyalität: finde Kunden, die wechseln wollen durch Analyse ihres bisherigen Verhaltens (e.g. Banken/Telekommunikationsfirmen) – Sonderangebote: finde profitabele Kunden (z.B. zuverlässige Kreditkartenkunden, die in den Ferien mehr Geld brauchen) Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 32 Marketing und Verkauf II • Warenkorbanalyse – Assoziationsmethoden finden Produktgruppen, die oft zusammen gekauft werden (verwendet um Kassendaten zu untersuchen) • Zeitliche Analyse von Kaufverhalten • Identifiziere interessierte Kunden – Fokusiere Einführungswerbesendungen (Gezielte Aktionen sind billiger als das Gießkannenprinzip) Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 33 Data Mining, Maschinelles Lernen und Statistik • Geschichtliche Unterschiede (stark vereinfacht) – – – • Aber: viele Gemeinsamkeiten – – – • Statistik: testen von Hypothesen, kleine Datenmengen Machine learning: finde die richtigen Hypothesen, meist Klassifikation Data Mining: Anwendungsgetrieben, große Datenbanken Entscheidungsbäume (C4.5 und CART) Nächste Nachbar Methoden Associationsregeln und formale Begriffsanalyse Heute: Perspektiven konvergieren – – Die meisten ML Algorithmen verwenden statistische Techniken Verschiedene „Communities“, verschiedene Begriffe, gemeinsame Probleme Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 34 • • • Statistiker Sir Ronald Aylmer Fisher * 17 Feb 1890 London, England + 29 July 1962 Adelaide, Australia Numerous distinguished contributions to developing the theory and application of statistics for making quantitative a vast field of biology • • • Wintersemester 2005/06 Leo Breiman Entwickelte Entscheidungsbäume 1984 Classification and Regression Trees. Wadsworth. Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 35 Problemverallgemeinerung als Suche • Induktives Lernen: finde eine KonzeptBeschreibung, die auf die Daten paßt • Beispiel: Regeln als Beschreibungssprache – Riesiger, aber endlicher Suchraum • Einfache Lösung: – durchsuche den ganzen Konzeptraum – verwerfe Beschreibungen, die nicht auf die Beispiele passen – übrigbleibende Beschreibungen enthalten das Zielkonzept Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 36 Durchsuchen des Konzeptraumes • Suchraum für das Wetterproblem – 4 x 4 x 3 x 3 x 2 = 288 mögliche Kombinationen – mit 14 Regeln ⇒ 2.7x1034 mögliche Regelmengen • Lösung: Kandidaten-Eliminations Algorithmus • Andere praktische Probleme: – Mehr als eine Beschreibung bleibt übrig – Keine Beschreibung bleibt übrig • Sprache kann Zielkonzept nicht ausdrücken • oder Daten enthalten Rauschen Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 37 Der Versionsraum • Raum der konsistenten Konzeptbeschreibungen • Komplett durch zwei Mengen bestimmt – L: spezifischste Beschreibungen, die alle pos. und keine neg. Beispiele bestimmen – G: allgemeinsten Beschreibungen, die keine neg. und alle pos. Beispiele bestimmen • Nur L und G müssen aktualisiert werden • Nachteile – immer noch sehr berechnung intensiv – lößt nicht die anderen prakt. Probleme Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 38 Versionsraum Beispiel • Gegeben: rot oder grün, Kühe oder Hühner L={} <grün,Kuh>: positiv L={<grün, Kuh>} <rot,Huhn>: negativ L={<grün, Kuh>} <grün, Huhn>: positiv L={<grün, *>} Wintersemester 2005/06 G={<*, *>} G={<*, *>} G={<grün,*>,<*,Kuh>} G={<grün, *>} Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 39 Candidate-elimination algorithm Initialize L and G For each example e: If e is positive: Delete all elements from G that do not cover e For each element r in L that does not cover e: Replace r by all of its most specific generalizations that 1. cover e and 2. are more specific than some element in G Remove elements from L that are more general than some other element in L If e is negative: Delete all elements from L that cover e For each element r in G that covers e: Replace r by all of its most general specializations that 1. do not cover e and 2. are more general than some element in L Remove elements from G that are more specific than some other element in G Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 40 Bias (Befangenheit) • Wichtige Entscheidungen in Lernsystemen: – Konzeptbeschreibungssprache – Reihenfolge in der der Suchraum durchmustert wird – Methoden um overfitting (auswendiglernen) der Trainingsdaten zu vermeiden • Diese Entsch. bestimmen den “Bias” der Suche: – Sprach Bias – Such Bias – Overfitting-Vermeidungs Bias Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 41 Sprach Bias • Wichtige Frage: – • • • • ist die Sprache universal oder beschränkt sie was gelernt werden kann? Universale Sprache kann beliebige Teilmengen der Beispiele beschreiben Falls Sprache logisches oder (“Disjunktion”) enthält, ist sie universal Beispiel: Regelmengen Hintergrundwissen kann genutzt werden, um Teile des Suchraums von vornherein auszuschließen Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 42 Such Bias • Suchheuristik – “Greedy” Suche: macht immer den aktuell bestmöglichen Schritt – “Beam search”: hält immer ein paar Alternativen vor – … • Richtung der Suche – Allgemein-hinzu-Spezifisch • z.B. spezialisieren einer Rgel durch Hinzufügen von Bedingungen – Spezifisch-hinzu-Allgemein • z.B. Verallgemeinern eines Beispiels zu einer Regel Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 43 Overfitting-Vermeidungs Bias • Kann als Art Such Bias verstanden werden • Verändertes Evaluationskriterium – z.B. balanciert Einfachheit und Anzahl der Fehler • Veränderte Suchstrategie – z.B. pruning (Vereinfachen einer Beschreibung) • Pre-pruning: hält bei einer einfachen Beschreibung an, bevor die Suche mit einer komplexen B. fortgesetzt wird • Post-pruning: erzeugt zuerst komplexe Beschreibungen, die dann vereinfacht werden Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 44 Data mining und Ethik I • Ethische Fragestellungen tauchen in praktischen Anwendungen auf • Data mining oft benutzt zum Unterscheiden – z.B. Kreditanträge: Verwendung von Informationen (z.B. Geschlecht, Religion, Herkunft) ist unethisch • Ethische Situation hängt von der Anwendung ab – z.B. dieselbe Information ist ok in medizinischen Anwendungen • Attribute können problematische Informationen enthalten – z.B. Postleitzahl kann mit Herkunft korrelieren Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 45 Data mining und Ethik II • Wichtige Fragen: – Wer hat Zugang zu den Daten? – Für welchen Zweck werden die Daten gesammelt? – Welche Schlußfolgerung dürfen daraus gezogen werden? • Ergebnisse müssen Vorteile enthalten, für wen? • Rein statistische Argumente sind niemals ausreichend! • Werden die Ergebnisse sinnvoll und gut verwendet? Wintersemester 2005/06 Alexander Hinneburg Martin-Luther-Universität Halle-Wittenberg Seite 46
